遥感图像分类：最大似然法与神经网络应用

"这篇硕士学位论文探讨了基于神经网络的遥感影像识别技术，主要涉及最大似然分类法以及BP神经网络、Kohonen自组织特征映射网络(SOM)、模糊Kohonen聚类网络(FKCN)和改进的自适应FKCN(AFKCN)在遥感图像分类中的应用。" 遥感图像分类是遥感技术的核心部分，主要依赖于地物的光谱特性。传统的分类方法包括监督分类和无监督分类，其中监督分类需要已知样本，如最大似然分类法。最大似然分类是一种常见的监督分类方法，基于统计学的假设，即各类别的数据遵循正态分布。这种方法通过计算每个像素点属于各类别的概率，选择概率最大的类别作为分类结果，以实现高精度的分类。 最大似然分类的判决规则基于概率统计，它假设每个像素的光谱特征服从特定类别的概率分布。在多变量空间中，这些特征形成不同形状的分布，通常呈现椭圆或椭球状。分类时，算法会计算像素点落入各类别的概率，并选择概率最高的类别作为分类归属。 然而，传统的分类方法在面对复杂场景和不确定性时可能表现不佳。为了解决这些问题，神经网络技术被引入到遥感图像分类中。例如，BP（Backpropagation）神经网络能通过反向传播学习来调整权重，适应遥感图像的复杂性。论文中还提到了Kohonen自组织映射网络，这是一种无监督学习方法，用于发现数据的结构和模式。模糊Kohonen聚类网络则结合了模糊逻辑，允许在分类过程中考虑不确定性，提高分类的鲁棒性。 此外，论文还介绍了一种改进的自适应FKCN网络，这种网络在分类过程中能自适应地调整参数，以更好地适应遥感图像的特性。通过与遥感专业软件ERDAS的结合，这些神经网络模型被应用于实际的遥感影像数据，如渤海湾地区的1M遥感影像，先进行初步的无监督分类，然后利用神经网络进行二次精确定位。 这篇论文深入研究了遥感图像分类的传统方法及其局限性，并探索了神经网络技术如何克服这些局限，提供更高效和准确的分类结果。通过结合不同类型的神经网络和模糊逻辑，研究者旨在开发出更适应遥感数据特性的分类算法，从而提高遥感信息提取的准确性和效率。